ESTIMATION OF STOCHASTIC VOLATILITY MODELS BY NONPARAMETRIC FILTERING
通过非参数滤波估计随机波动率模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究潜在瞬时波动率，并明确处理跳跃和市场微观结构噪声。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过非参数滤波估计随机波动率模型
- 研究问题
- 当瞬时波动率不可观测且价格数据可能含跳跃与市场微观结构噪声时，能否先恢复波动率过程，再估计其动态模型？
- 方法与思路
- 作者先非参数估计潜在瞬时波动率，再将滤波结果代入完全观测扩散过程的标准估计方法，覆盖参数和非参数波动率模型。
- 材料陈述的贡献
- 摘要称，在正则条件下第一阶段引入的额外偏差和方差渐近消失，最终估计量继承直接观测波动率时不可行估计量的渐近性质。
- 阅读关注点
- 应核对滤波方法及调参、跳跃和噪声的处理条件，尤其关注第一阶段误差何时足够小，以及模拟中的有限样本偏差。
- 阅读边界
- 本导读仅据所给 Crossref 摘要；观测频率与样本跨度要求、误差消失条件及模拟结果摘要未说明，不能直接假定滤波误差可忽略。
原文摘要
A two-step estimation method of stochastic volatility models is proposed: In the first step, we nonparametrically estimate the (unobserved) instantaneous volatility process. In the second step, standard estimation methods for fully observed diffusion processes are employed, but with the filtered/estimated volatility process replacing the latent process. Our estimation strategy is applicable to both parametric and nonparametric stochastic volatility models, and can handle both jumps and market microstructure noise. The resulting estimators of the stochastic volatility model will carry additional biases and variances due to the first-step estimation, but under regularity conditions we show that these vanish asymptotically and our estimators inherit the asymptotic properties of the infeasible estimators based on observations of the volatility process. A simulation study examines the finite-sample properties of the proposed estimators.